2026年数据基础知识试题(附答案)

2026年数据基础知识试题(附答案)一、单项选择题（每题2分，共30分）1.以下哪类数据属于典型的非结构化数据？A.财务报表中的利润表B.客户关系管理系统（CRM）中的用户年龄字段C.医院电子病历中的医生手写诊断记录扫描件D.电商平台订单表中的商品ID2.数据清洗过程中，对于“某电商用户年龄字段出现‘200岁’”的异常值，最合理的处理方式是？A.直接删除该条记录B.用字段均值替换C.联系数据提供方核实真实性D.标记为缺失值后用众数填充3.某数据集的偏度系数为-1.2，说明数据分布呈现？A.左偏（负偏），均值小于中位数B.右偏（正偏），均值大于中位数C.左偏（负偏），均值大于中位数D.右偏（正偏），均值小于中位数4.关系型数据库中，“学生表（学号，姓名）”与“成绩表（学号，课程号，分数）”之间的关联通过以下哪个字段实现？A.学生表的“学号”（主键）与成绩表的“学号”（外键）B.学生表的“姓名”与成绩表的“课程号”C.成绩表的“学号”（主键）与学生表的“学号”（外键）D.学生表的“学号”（外键）与成绩表的“学号”（主键）5.以下哪种数据可视化图表最适合展示“2025年1-12月某城市月平均气温变化趋势”？A.柱状图B.散点图C.折线图D.饼图6.大数据的“4V”特征中，“Velocity”指的是？A.数据量（Volume）B.速度（时效性）C.多样性（Variety）D.价值密度（Value）7.对某连续型变量进行分箱处理时，若采用等频分箱，其核心目标是？A.确保每个箱内数据点数量相同B.确保每个箱的区间宽度相同C.最大化箱间数据差异D.最小化箱内数据差异8.以下关于数据标准化（Z-score标准化）的描述，错误的是？A.处理后数据均值为0，标准差为1B.适用于数据分布接近正态的场景C.公式为：(X-μ)/σ，其中μ是均值，σ是标准差D.会改变数据的原始分布形态9.某数据集包含100条记录，其中“购买转化”字段有15条缺失值。若采用列表删除法处理缺失值，最终可用记录数为？A.15B.85C.100D.无法确定（需看其他字段是否缺失）10.以下哪项属于数据的“离散程度”指标？A.中位数B.极差C.众数D.分位数11.关于OLAP（联机分析处理）与OLTP（联机事务处理）的区别，正确的是？A.OLAP侧重历史数据分析，OLTP侧重实时事务处理B.OLAP数据更新频繁，OLTP数据更新较少C.OLAP使用二维表存储，OLTP使用多维数据立方体D.OLAP适用于前台业务系统，OLTP适用于决策支持系统12.某文本数据集中，“人工智能”出现200次，“机器学习”出现150次，“深度学习”出现100次，总词数为5000。则“人工智能”的词频（TF）为？A.0.04B.0.03C.0.02D.0.0513.以下哪种抽样方法属于非概率抽样？A.简单随机抽样B.分层抽样C.方便抽样D.系统抽样14.数据仓库（DataWarehouse）的核心特性不包括？A.面向主题B.实时性高C.集成性D.随时间变化15.对“用户点击流数据”进行分析时，最关键的维度通常是？A.用户性别B.点击时间戳C.用户所在城市D.设备型号二、填空题（每题2分，共20分）1.数据可分为结构化数据、半结构化数据和__________三类。2.数据清洗的主要步骤包括识别异常值、处理缺失值、__________和纠正不一致数据。3.统计学中，反映数据集中趋势的三个主要指标是均值、中位数和__________。4.关系型数据库的三大完整性约束是实体完整性、参照完整性和__________。5.数据可视化的核心目标是__________。6.大数据处理框架Hadoop的核心组件是HDFS（分布式文件系统）和__________（分布式计算框架）。7.相关系数r的取值范围是__________。8.对分类变量进行编码时，若变量有k个类别，独热编码（One-HotEncoding）会提供__________个新特征。9.数据仓库的ETL过程指的是抽取（Extract）、转换（Transform）和__________（Load）。10.时间序列数据的四大组成部分是趋势、季节变动、循环变动和__________。三、简答题（每题6分，共30分）1.简述数据清洗中“缺失值处理”的常用方法及其适用场景。2.结构化数据与非结构化数据的主要区别是什么？各举2个例子。3.说明均值、中位数、众数的优缺点及适用场景。4.关系型数据库（如MySQL）与NoSQL数据库（如MongoDB）的核心差异有哪些？5.数据可视化设计中需要遵循哪些基本原则？四、计算题（每题8分，共24分）1.某电商用户年龄数据如下（单位：岁）：22,25,28,30,30,32,35,40,45,50。计算该组数据的均值、中位数、众数和极差。2.某数据集的5个样本值为：10,12,15,18,20。计算其标准差（保留2位小数）。3.计算以下两组数据的皮尔逊相关系数（保留3位小数）：X：2,4,6,8,10Y：3,5,7,9,11五、应用题（每题8分，共16分）1.某电商平台需分析“用户从浏览商品到下单付款”的转化漏斗，现有数据字段包括：用户ID、浏览时间、商品ID、加入购物车时间、下单时间、付款时间（部分记录缺失付款时间）。（1）需处理哪些类型的缺失值？建议采用何种方法？（2）应选择哪种可视化图表展示转化漏斗？说明理由。（3）若发现“加入购物车到下单”的转化率异常低，可能的原因有哪些？2.某社交媒体公司需存储用户发布的短文本（≤200字）、发布时间、用户ID、点赞数、评论数，要求支持快速查询某用户的所有历史发帖及按时间排序。（1）选择关系型数据库还是NoSQL数据库更合适？说明理由。（2）设计表（或集合）的结构（字段及类型）。（3）为提升查询效率，应添加哪些索引？参考答案一、单项选择题1.C2.C3.A4.A5.C6.B7.A8.D9.D10.B11.A12.A13.C14.B15.B二、填空题1.非结构化数据2.消除重复数据3.众数4.用户定义的完整性5.清晰、高效地传递信息6.MapReduce7.[-1,1]8.k-1（或k，取决于是否去冗余）9.加载10.随机波动三、简答题1.常用方法及场景：（1）删除法：数据量充足且缺失值比例低（<5%）时使用；（2）插补法：均值/中位数/众数插补（数值/分类变量，无明显异常值）、回归插补（变量间有强相关性）、热卡插补（寻找相似记录填充）；（3）保留缺失值：建模算法支持（如XGBoost）或缺失本身有业务意义（如“未填写联系方式”）。2.区别：结构化数据有固定格式和字段（如二维表），非结构化数据无明确结构（如文本、图片）。例子：结构化（Excel表格、SQL数据库表）；非结构化（微信聊天记录、监控视频）。3.均值：易受极端值影响，适用于正态分布数据；中位数：不受极端值影响，适用于偏态分布；众数：适用于分类数据或离散型数据，可能不唯一或不存在。4.核心差异：（1）数据模型：关系型用二维表，NoSQL用键值、文档、列族等；（2）一致性：关系型强一致性，NoSQL侧重最终一致性；（3）扩展性：关系型垂直扩展为主，NoSQL支持水平扩展；（4）事务支持：关系型支持复杂事务，NoSQL通常不支持。5.设计原则：（1）准确性：数据真实，避免误导；（2）简洁性：减少冗余元素（如冗余坐标轴、3D效果）；（3）清晰性：标签、图例明确，颜色对比合理；（4）目标导向：图表类型与分析目的匹配（如趋势用折线图）；（5）可访问性：考虑色盲用户（避免红绿对比）、屏幕阅读友好。四、计算题1.均值：(22+25+28+30+30+32+35+40+45+50)/10=33.7岁；中位数：第5、6个数的平均=(30+32)/2=31岁；众数：30岁（出现2次）；极差：50-22=28岁。2.均值=(10+12+15+18+20)/5=15；方差=[(10-15)²+(12-15)²+(15-15)²+(18-15)²+(20-15)²]/(5-1)=(25+9+0+9+25)/4=68/4=17；标准差=√17≈4.12。3.X均值=6，Y均值=7；分子=Σ(Xi-6)(Yi-7)=(2-6)(3-7)+(4-6)(5-7)+(6-6)(7-7)+(8-6)(9-7)+(10-6)(11-7)=(-4)(-4)+(-2)(-2)+0+2×2+4×4=16+4+0+4+16=40；分母=√[Σ(Xi-6)²]×√[Σ(Yi-7)²]=√[(16+4+0+4+16)]×√[(16+4+0+4+16)]=√40×√40=40；相关系数=40/40=1.000。五、应用题1.（1）缺失类型：付款时间缺失（结果变量）；处理方法：若缺失因用户未付款，保留缺失值并标记为“未转化”；若因系统错误，联系技术方核查。（2）漏斗图：可直观展示各环节（浏览→加购→下单→付款）的用户数量递减关系，突出转化瓶颈。（3）可能原因：购物车页面加载慢、商品库存不足提示不清晰、促销活动过期、支付方式不便捷（如仅支持信用卡）。2.（1）NoSQL（如MongoDB）更合适：短文本结构灵活（可能含表情、链接），需支持快速写入和按用户ID+时间查询，NoSQL的文档模型和水平扩展能力更适配。（2）集合结构：{